.png){kind=icon}
返回
A Data-Driven Sequential Adaptive Optimization Method for Lightweight Design of Complex Vehicle Structures
.png){kind=icon}
PRE
AI
DOI：10.3390/applmech7020040.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
为解决车辆轻量化中的高维耦合与外推误差问题，本文提出“宏观拓扑-微观数据驱动尺寸协同”方法。宏观层面，基于简化骨架的应变能驱动拓扑优化使质量降低9.4%（从2835.8 kg降至2566.9 kg）；微观层面，全局ANOVA机制将169个厚度变量压缩至39个核心尺寸，缓解维度灾难。关键在于，基于主动学习的序贯近似优化（SAO）框架通过注入高熵边界样本，修正高达475%的静态模型外推误差，使R²精度提升至近0.90。最终该方案确保真实帕累托解，整车质量减少2.59%（至6229.4 kg），同时严格满足EN12663和EN15227标准。此范式有效解决认知不确定性，释放复杂系统的极端轻量化潜力。
Keyword:
lightweight design
topology optimization
dimensionality reduction
sequential approximate optimization (SAO)
active learning
期刊
A
IF:
1.5
论文数:
66
被引数:
396
机构
引用论文
.png){kind=icon}
分享收藏Structural optimization design of BIW using NSGA-III and entropy weighted TOPSIS methods基于NSGA-III和熵权TOPSIS方法的白车身结构优化设计
OAAI
OAAI分享收藏
没有更多内容
没有更多内容